多特征信息融合的贝叶斯网络故障诊断方法研究

多特征信息融合的贝叶斯网络故障诊断方法研究

姜万录　刘思远

燕山大学,秦皇岛,066004

摘要:针对轴向柱塞泵故障特征的模糊性和不完备性特点,提出一种多特征信息融合与贝叶斯网络相结合的故障诊断方法。该方法从柱塞泵采集的振动信号中提取出频域和幅域的多个故障特征,并将

这些特征当作来自多个不同传感器的多源信息。利用贝叶斯参数估计算法进行多特征信息融合。通过构造贝叶斯网络并建立贝叶斯分类器来简化融合后的结果,通过最大后验概率估计值的计算进行故障识别。经过轴向柱塞泵多故障模式的诊断实验,验证了该方法能够有效地实现柱塞泵柱塞松靴和脱靴故障的诊断。

关键词:柱塞泵;故障诊断;多特征信息融合;贝叶斯网络中图分类号:TP206.3 文章编号:1004—132X (2010)08—0940—06F ault Diagnosis Approach Study of B ayesian N etw orks

B ased on Multi -characteristic Information Fusion

Jiang Wanlu Liu Siyuan

Yanshan U niversity ,Qinhuangdao ,Hebei ,066004

Abstract :Aiming at t he f uzzy and incomplete nat ure of fault characteristics of axial piston p ump ,a met hod of Bayesian networks and multi -characteristic information f usion was p roposed.Firstly ,multi -fault characteristics in t he frequency domain and amplit ude domain were extracted f rom vibration signals and regarded ,as multi -source informations coming f rom different sensors.Then ,Bayesian pa 2rameter estimation algorit hm was applied to f use multi -characteristic information.Next ,t he f usion result was simplified by co nstructing a Bayesian network and establishing Bayesian classifier.Finally ,t hrough calculating t he maximum po sterior p robability estimation and t he fault patterns were identi 2fied.The validity of t his met hod was verified t hrough experiment s of multi -fault patterns on an axial piston p ump.

K ey w ords :pisto n p ump ;fault diagnosis ;multi -characteristic information f usion ;Bayesian net 2work

收稿日期:2009—07—22

基金项目:国家自然科学基金资助项目(50775198);河北省自然科学基金资助项目(E2008000812)

0　引言

液压泵是液压系统的心脏,对其进行有效的故障诊断是保证液压系统正常运行的关键。由于受流体的压缩性、泵与伺服系统的液固耦合作用、液压泵本身具有的固有机械振动和强噪声背景干扰的影响,使液压泵故障特征信息呈现出模糊性。当采用振动信号进行故障分析时,仅从单一域获取振动信号的故障特征信息存在不完备性。这两方面因素的影响给液压泵的状态监测与故障诊断带来了极大的困难[1-3]。

贝叶斯网络方法是目前不确定知识表达和推理领域最有效的理论模型,是解决模糊性问题的有效方法之一。贝叶斯网络的并行推理方式还能够提高诊断速度[4]。而多源信息融合技术能充分

利用多个传感器信息,通过对各种特征信息的合理支配与使用,依据某种优化准则在空间和时间上把互补与冗余信息结合起来,产生对监测环境的一致性解释或描述,同时产生新的融合结果。利用这种技术可以大幅度地提高故障特征信息的完备性。

多源信息融合又称多传感器信息融合,所说的传感器是广义的,不仅包括物理意义上的各种传感器系统,也包括与观测环境匹配的各种信息获取系统[5]。本文将提取的振动信号多个故障特征当作来自多个不同传感器的多源信息,把每个故障特征都看成来自一个传感器。这样就可以利用多源信息融合技术进行多特征信息融合[6]。本文提出了将多源信息融合技术与贝叶斯网络相结合的故障诊断方法,使二者优势互补,可以在系统提供的信息具有模糊性和不完备性的前提下,发现故障并识别故障发生的类型。

・

049・中国机械工程第21卷第8期2010年4月下半月

1　液压泵故障机理

本研究的被诊对象是MC Y14-1B 型7柱塞轴向柱塞泵。在轴向柱塞泵的诸多失效形式中,松靴和脱靴是它最常见的故障形式。柱塞泵连续运转时,柱塞频繁吸油和排油,在这种交变载荷下长期工作容易造成柱塞球头和滑靴球窝的沉凹变形,这是引起松靴故障的主要原因。柱塞泵松靴故障严重时,柱塞将可能从滑靴中脱落造成脱靴故障,使液压泵失效。1.1　松靴故障机理

当柱塞泵发生松靴故障时,缸体每旋转一周,柱塞球头与滑靴球窝在吸油区发生一次碰撞;当缸体转至排油区时高压油作用在柱塞上,使柱塞迅速向球头方向运动,与球窝发生第二次碰撞。缸体每旋转一周,柱塞球头与球窝发生两次碰撞,其振动经过传动轴和轴承传递到壳体上,所以单个柱塞松靴故障的振动频率为转轴频率的两倍,即[7]

f 1=2n

(1)

式中,n 为泵的转轴频率。

1.2　脱靴故障机理

当某一柱塞发生脱靴时,缸体在旋转过程中,该柱塞在吸油区将处于浮动状态,而在压油区回程盘驱动滑靴对该柱塞球头有一次撞击,所以脱靴故障的振动频率等于转轴频率,即[8]

f 2=n

(2)

2　贝叶斯网络

2.1　贝叶斯网络构建方法

贝叶斯网络采用有向无环图来表示随机变量

的因果关系,通过条件概率将这种关系数量化。贝

叶斯网络可以用一个二元组B =(G,θ

)表示,其中,G 是有向无环图,是对特征间依赖关系的定性说明,由一系列节点和从父节点指向子节点的有向边构成。节点对应于问题中的特征,有向边表示特征属性间依赖关系,没有有向边连接表示特征

间条件独立。

θ是描述网络布局条件概率的参数集合,定量地表示了各特征与其父节点的依赖关系[9]。

假定一个有限离散随机变量集合X ={X 1,X 2,…,X n },其中,X 1、X 2、…、X n 对应于网络的各节点。

贝叶斯网络构建步骤如下:

(1)确定各故障模式及特征属性与网络节点的对应关系。

(2)建立表征条件独立的有向无环图。依据

概率乘法公式有

P (X )=

∏n

i =1

P (X

i

|X 1,X 2,…,X i-1)(3)

贝叶斯网络所描述的X 上的联合概率分布可以

由下式唯一确定:

P (X )=

∏n

i =1

P (X

i

|C i )(4)

式中,C i 为X i 父节点的集合。

(3)确定节点概率分布参数。

2.2　贝叶斯网络构建过程

给定特征集合U ={X 1,X 2,X 3,X 4,X 5,Y},Y 为故障类型集。依据贝叶斯网络的构建步骤建立特征间的贝叶斯网络。各节点的条件概率如图1所示。构建贝叶斯网络的同时也相应地得到了网络中每个节点的条件概率

。

图1　贝叶斯网络示例

3　贝叶斯参数估计算法的多特征信息融合

根据液压泵故障信息的特点和试验条件,搭建了基于N I 数据采集系统的振动信号检测及故障诊断试验平台。检测系统的多传感器观测数据是在强噪声背景中的同一特征的测量值。为增加故障特征信息的完备性,提高液压泵多模式故障诊断的正确率,利用振动传感器通过虚拟仪器采集故障振动信号,从频域和幅域两方面提取振动信号的多个故障特征,采用贝叶斯参数估计算法进行多特征信息融合。

设某一时刻被测样本有m 个状态信息Y k =

{Y 1,Y 2,…,Y m },传感器的n 个特征信息为X ={X 1,X 2,…,X n },则此特征信息的测量模型是

[10]

X =f (Y k )+υ

(5)式中,f (Y k )为X 与Y k 的函数关系;υ为随机噪声。

信息融合算法是振动传感器n 个特征信息的特征值,用按照某种估计准则函数M (X )估计出的状态Y k 的真实值来表示。单个特征的估计计算过程如下:设其特征信息为X i ,状态Y k 的估计值

为Y ^k

(X i ),并定义L (Y ^k (X i ),Y k )为损失函数。根据贝叶斯估计,相应的损失函数的期望值,即风险表达式为

・

149・多特征信息融合的贝叶斯网络故障诊断方法研究———姜万录　刘思远